飞桨第四节七日cv经典网络 2020.4.3

最新推荐文章于 2023-04-27 07:00:00 发布
最新推荐文章于 2023-04-27 07:00:00 发布
阅读量135 收藏
点赞数
分类专栏： 飞桨公开课
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44382711/article/details/105300107
版权

对目标检测，需要把物品用矩形框选出来
分割要每一个像素都要区分
在这里插入图片描述
CIFAR-10：高级的数据集，彩色
在这里插入图片描述
专业数据集：
在这里插入图片描述
AlexNet CV方向突破，ZF是小修小补
在这里插入图片描述
在这里插入图片描述
网络介绍：
上下两部分的原因：当时显卡放不下，买了两片
在这里插入图片描述
第二个卷积层
在这里插入图片描述
接下来三个卷积层，没有马上接池化，扩展像素，保证不变
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
可能大变化，常见噪声，增加鲁棒性
在这里插入图片描述
思考角度：不一定用大卷积核，但希望效果没事，发现小核做深，效果更好
去搜！！！！：（感受野）
在这里插入图片描述
感受野：下面的5x5都能影响到最上面那个，深度加深，参数量却少了
在这里插入图片描述
参数良很大
在这里插入图片描述
googlenet：提出Inception和Bottleneck
在这里插入图片描述
Inception：
平时用到的卷积滤波器，一般都是一样的，但：应该用很多不同的，这样特征更好
在这里插入图片描述
参数少了，256个滤波器，1x1的滤波器可以随意降低通道数
在这里插入图片描述
参数量巨大，但右侧Google就通过一种方法没有参数了
在这里插入图片描述
微软搞得：ResNet当年cvpr最佳
网络非常深的时候，梯度很不稳定，残差结构：有时跳过去，直接相加
在这里插入图片描述
首先用52层的无跳跃还不如20层的
搞了些跳跃连接，就不错了
在这里插入图片描述
加深后，梯度不可预测，所以要想办法控制，为什么有效？有很多流派
在这里插入图片描述

1132：bottlenet作用，通道数很大，参数太多，所以用改卷积核降下来，再升上去，参数就少了
多少个滤波器，能决定，深层的channel数
怎么挑：先找到，pre训练，再微调
最近efficientNet
神经网络：
1.训练：训练时要很多，很大内存
2.推理：很快，很少
后面实践：

口罩识别：
看回放吧
在这里插入图片描述

新川宝宝
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
CV 经典主干网络 (Backbone) 系列: CSPNet
生命在于折腾！
11-13 7764
CV 经典主干网络 (Backbone) 系列: CSPNet 作者：Chien-Yao Wang 等 发表时间：2019 Paper 原文： CSPNet: A New Backbone that can Enhance Learning Capability of CNN 开源代码：Cross Stage Partial Networks 该篇是 CV 经典主干网络 (Backbone) 系列 下的一篇文章。 作者认为目前的网络结构虽然效果好，但是都是建立在较大的计算量上的，这阻碍了算法应用 ，特别是
CV中的经典网络模型——AlexNet和VGG
zcg1942的博客
08-25 1890
目标检测 目标检测，不仅要识别目标是什么（分类），还要知道目标的具体位置（可以当作回归来做）。 RCNN Selective Search 算法获得候选框，Alexnet提取特征，SVM对每个候选框区域打分。对于重叠的区域，通过计算IoU和非极大值抑制，剔除重叠的区域。imagenet到VOC的迁移学习，VOC只有21个类，其中一类是背景。 YOLO you only look once，属于one stage检测，因为不需要提前使用其他的算法获得候选区域。虽然不是显式地找候选框，隐式的也是少不.
CV中经典的卷积神经网络
qq_39820505的博客
08-14 863
计算机视觉中经典的卷积神经网络结构 声明：本文图片和文字来自百度AI Studio 网站，仅仅是做一个搬运处理，以便于后期需要时查询。 LeNet：Yan LeCun等人于1998年第一次将卷积神经网络应用到图像分类任务上[1]，在手写数字识别任务上取得了巨大成功。 AlexNet：Alex Krizhevsky等人在2012年提出了AlexNet[2],并应用在大尺寸图片数据集ImageNet上，获得了2012年ImageNet比赛冠军(ImageNet Large ScaleVisual Recogn
CV 经典主干网络 (Backbone) 系列: 开篇
生命在于折腾！
03-18 6246
CV 经典主干网络 (Backbone) 系列: 开篇 这篇是 深度学习中的经典基础网络结构（backbone）总结 的下篇。上篇中从大的发展趋势介绍了下主干网络的发展趋势，而这篇主要是对一些比较经典的主干网络进行简单梳理。 目录 CV 经典主干网络 (Backbone) 系列: VGGNet （2014年） CV 经典主干网络 (Backbone) 系列: GoogLeNet （2014年） CV 经典主干网络 (Backbone) 系列: ResNet家族（2015年） CV 经典主干网
CV 经典主干网络 (Backbone) 系列: SENet
生命在于折腾！
03-20 1086
CV 经典主干网络 (Backbone) 系列: SENet 作者：Jie Hu 等 发表时间：2017 Paper 原文： Squeeze-and-Excitation Networks 该篇是 CV 经典主干网络 (Backbone) 系列 下的一篇文章。 SENet 是最后一届 ImageNet 挑战赛（ILSVRC2017）的冠军。SENet 的核心是一种叫做 SE Block（Squeeze-and-Excitation） 的结构，其本质是在 channel 维度上做attention 或者 g
intellij-gitee-2020.3.4.zip
05-26
【标题】"intellij-gitee-2020.3.4.zip" 提供的是IntelliJ IDEA与Gitee集成的特定版本资源包，主要用于2D游戏开发。这个压缩包很可能包含了IntelliJ IDEA的2020.3.4版本以及相关的Gitee插件或配置，使得开发者能够更...
ObjectARXWizard2020.zip
01-09
ObjectARXWizard2020.zip 是一个与CAD2020二次开发相关的压缩包，其中包含的主要组件是"ObjectARXWizard2020.msi"安装程序。ObjectARX Wizard是AutoCAD的一个重要工具，它为开发者提供了一种方便的方式来创建基于...
w_openvino_toolkit_p_2020.4.287.zip
05-06
它为开发者提供了在各种硬件平台上加速计算机视觉和深度学习应用的能力，包括CPU、GPU、FPGA、VPU（如MYRIAD）以及边缘设备。2020.4.287版本是该工具套件的一个更新迭代，旨在优化性能和兼容性，提升开发者体验。 ...
FLAME2020.zip
06-24
4. **generic_model.pkl**：这个文件则代表了通用模型，可能是基于大量样本人脸数据训练得到的平均模型，适用于创建没有特定性别特征的面部模型，或者作为基础模型进行个性化调整。 FLAME模型的核心在于其参数化的...
毕马威-智能人机交互解决方案-2020.4-18页精品报告2020.rar
09-18
智能人机交互（Intelligent Human-Machine Interaction, IHMI）是现代科技发展的重要方向，它结合了人工智能、机器学习、自然语言处理、计算机视觉等技术，以实现更高效、自然和人性化的用户界面。报告可能会详细...
课程学习 CV 北京邮电大学 鲁鹏（笔记五：CV经典网络讲解 之 GoogLeNet）
weixin_44845357的博客
10-11 190
GoogLeNet ZFNet论文：Going Deeper with Convolutions Inception单元结构 Inception 最初版本的主要思想是利用不同大小的卷积核实现不同尺度的感知，网络结构图如下： Inception Module基本组成结构有四个成分。11卷积，33卷积，55卷积，33最大池化。最后对四个成分运算结果进行通道上组合，这就是Naive Inception的核心思想：利用不同大小的卷积核实现不同尺度的感知，最后进行融合，可以得到图像更好的表征。 但是Naive I
CV 经典主干网络 (Backbone) 系列: CSP-Darknet53
走在深度学习前沿的小宋
04-27 5980
CSP-Darknet53无论是其作为CV Backbone，还是说它在别的数据集上取得极好的效果。与此同时，它与别的网络的适配能力极强。
CV 经典主干网络 (Backbone) 系列: Darknet-19
热门推荐
生命在于折腾！
03-20 1万+
CV 经典主干网络 (Backbone) 系列: Darknet-19 作者：Joseph Redmon 发表时间：2016 Paper 原文： YOLO9000: Better, Faster, Stronger 该篇是 CV 经典主干网络 (Backbone) 系列 下的一篇文章。 1. 网络结构 Darknet-19 是 YOLO v2 的 backbone。 Darknet-19 总共有 19 层 conv 层， 5 个 maxpooling 层。Darknet-19 吸收了 VGG16, NIN
CNN经典网络模型摘要--AlexNet、ZFnet、GoogleNet、VGG、ResNet
持久决心的博客
03-22 4739
本文转载自CNN经典网络模型摘要–AlexNet、ZFnet、GoogleNet、VGG、ResNet. CNN的经典结构始于1998年的LeNet，成于2012年历史性的AlexNet，从此大盛于图像相关领域，主要包括： 　　1、LeNet，1998年 　　2、AlexNet，2012年 　　3、ZF-net，2013年 　　4、GoogleNet，2014年 　　5、VGG，2014
目标检测CNN经典网络（五）YOLO系列（V1、V2）
CloudCver
05-18 1428
YOLO（You Only Look Once）是与R-CNN系列不用的一种目标检测方法，其实在我看R-CNN系列文章时，我就思考能不能直接输入一张图像，就卷积最后得到x,y,w,h,c五个参数啊，直接让它暴力预测！嘿嘿，yolo就是这么干的！ YOLO-V1 我理解的YOLO-V1相当于采取比较暴力的检测方案，网络结构如下图所示，其只用了一个卷积网络实现，更加简单。 网络结构 首先输入一行图片，...
深度学习CV文章整理
DJames23的博客
05-14 6987
1.目标检测 1.HDD-Net：具有hand-crafted和学习到的混合特征检测器和描述符 在图像匹配和3D重建等任务上，优于R2D2、D2-Net、SuperPoint和SIFT等，作者团队：帝国理工学院&华为诺亚实验室&慕尼黑工业大学 2.CVPR 2020 | 商汤提出SEPC：应对尺度变化的目标检测新算法 3.DBFace升级，模型仅1.3M的轻量级高精度人脸检测模型 4.RetinaMask：人脸口罩检测新网络 5.目标检测 | 解决小目标检测！多尺度方法汇总 6.PSDet+
CV—经典分割网络总结
weixin_40620310的博客
10-09 1751
FCN：语义分割端到端训练的开端；U-Net：医学分割算法中的龙头；SegNet&DeconvNet：对称的编解码结构；DeepLab系列：从V1到V3+，算法越来越完善，效果越来越好；GCN：从另一角度思考，重新使用大卷积核；DFN：从另一角度思考，宏观角度看待语义分割；实际上分割的很多思想是借鉴了分类和检测的，分割任务本质也是对像素点的检测和分类；所以其中很多思想是值得去学习和思考的，针对场景和数据集的不同，模型的选型和设计也需要做出改变；
目标检测CNN经典网络（一）R-CNN
CloudCver
05-06 1534
在早期计算机视觉研究时，人们很好的将CNN应用在目标分类的问题中，但是一直不能很好的解决目标检测的问题，目标检测不仅要分析出其是什么东西，而且还要回归出其位置。这是其在CNN训练的痛点。为此出现了R-CNN网络。
CV 经典主干网络 (Backbone) 系列: ResNet家族
生命在于折腾！
03-20 2794
CV 经典主干网络 (Backbone) 系列: ResNet家族 作者：Kaiming He 等 发表时间：2015 Paper 原文： Deep Residual Learning for Image Recognition 该篇是 CV 经典主干网络 (Backbone) 系列 下的一篇文章。 ResNet 在 CV 发展史上有非常重要的意义，它在 ImageNet 挑战赛上，首次实现了超越人类的水平。关于 ResNet 的介绍，将分为上下两个部分： ResNet家族：主要介绍原版（凯明大神论文
img4 = cv2.Laplacian(img2, cv2.CV_64F)
最新发布
12-11
```python import cv2 # 读取图片 img = cv2.imread('your_image_path') # 将图片转为灰度图 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 使用Laplacian函数计算图像的拉普拉斯算子 laplacian = cv2.Laplacian(gray, cv2.CV_64F) # 将数据类型转换为uint8 laplacian = cv2.convertScaleAbs(laplacian) # 显示结果 cv2.imshow('laplacian', laplacian) cv2.waitKey(0) cv2.destroyAllWindows() ``` 以上代码演示了如何使用OpenCV的Laplacian函数计算图像的拉普拉斯算子，并将结果显示出来。在这个例子中，我们将图像转换为灰度图，然后使用cv2.Laplacian函数计算图像的拉普拉斯算子，最后将数据类型转换为uint8并显示结果。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值